Machine Learning

É recomendável que os alunos possuam conhecimentos sólidos de matemática, estatística assim como de programação em Python. 

As aulas teóricas são aulas expositivas.

As aulas práticas baseiam-se em aulas expositivas intercaladas com resolução de exercícios. Algumas aulas serão exclusivamente dedicadas à resolução de exercícios.

Todos os elementos de apoio às aulas teóricas/práticas são disponibilizados aos alunos.

Todas as aulas decorrem em contexto de sala de aula em regime presencial.

Pretende-se que os alunos adquiram um conjunto de conhecimentos e competências na área de Machine Learning, nomeadamente:

• Conhecer as etapas de um projeto real baseado em Machine Learning

• Analisar e preparar um conjunto de dados

• Identificar de forma correta os aspetos relativos à classificação (métricas, estratégias de validação, …)

• Conhecer e aplicar alguns dos algoritmos mais relevantes na Aprendizagem Supervisionada

• Conhecer e aplicar os algoritmos mais relevantes na Aprendizagem Não Supervisionada

Componente Teórica

Cap.1 – Introdução

• Data Mining /Machine Learning
• Tipos de Aprendizagem
• Classificação/Regressão
• Principais Desafios
• Notação Matemática

Cap.2 – Dados: Conceitos Fundamentais

•  Tipos de dados
•  Estatística Descritiva
•  Variável Aleatória
•  Distribuições de Dados
•  Limpeza dos Dados

Cap. 3 – Etapas Principais de um Projeto

•  Identificação/Contextualização do problema
•  Obtenção dos dados
•  Visualização e preparação dos dados
•  Seleção e treino do modelo
•  Sintonização/ajuste do modelo
•  Monitorização e Manutenção

Cap. 4 –  Classificação

• Estratégias de Validação 
• Métricas de Avaliação

Cap. 5 – Aprendizagem Supervisionada

•  Regressão Linear
• Regressão Logistica
•  Naïve Bayes
•  Árvores  de Decisão
•  Support Vector Machine
•  KNN-nearest Neighbour
• Random Forest
• XGBoost
•  Redes Neuronais

 Cap. 6 – Aprendizagem Não Supervisionada

•  Clustering
  • K-means
  • Subtractive Clustering
•  Principal Component Analysis

Componente Prática

• Python aplicado à Análise de Dados
• Numpy
• Scipy
• Pandas
• Matplotlib
• Seaborn
• Scikit-learn

• Análise e Preparação dos Dados

• Aprendizagem Supervisionada

• Aprendizagem Não Supervisionada

A nota final da disciplina é obtida através da seguinte expressão:

                                           Nota final = 0.6 * Exame + 0.4 * Avaliação Prática

 Componentes possuem pesos diferenciados:

• Exame: 12 Valores;
• Trabalho Prático: 8 Valores;

Exame

• Exame escrito, sem consulta, que incidirá sobre os conteúdos lecionados nas aulas teóricas e práticas.
• É obrigatória a obtenção de uma classificação igual ou superior a 35%. A não obtenção desta classificação mínima implica a reprovação à disciplina.
• Não são permitidos quaisquer processos informais de melhoria de classificação entre épocas de exame.
• O exame será realizado nos períodos destinados às épocas de exame (Normal, Recurso, Especial).

Avaliação Prática

• A implementar com base no ambiente Python.
• Os alunos devem formar grupos de 2 alunos
• Previstos 2 momentos de avaliação:
  • M1 – 3 valores
  • M2 – 5 valores
  •  Em cada um dos momentos de avaliação os alunos terão de:
    • Apresentar nas aulas prática o trabalho realizado
      • Apresentação oral (máx. 10 minutos)
•  Elaborar um pequeno documento em que apresente de forma totalmente objetiva e condensada (máx. 10 páginas) o trabalho realizado
•  Deve ser entregue em data anterior à da apresentação na aula.

• Dates de Avaliação:
• M1 - Semana 10
• M2 - Semana 15

• A nota do trabalho prático será considerada em todas as épocas de exame a realizar durante o ano letivo (Normal, Recurso, Especial). Como tal, não existirá nova oportunidade para a realização/entrega dos elementos de avaliação 

NAO